特征工程之数据预处理中的缺失值处理(使用pandas和sklearn)

原则:
1.缺失数据的比例
2.数据的重要性
方法:
如果缺失的数据不重要或者缺失的很多可以直接删除。
删除:
1.删除所有包含缺失数据的行

data=data.dropna(axis=0)

2.删除所有包含缺失数据的列

data=data.dropna(axis=1)

3.删除缺失的某个数据列如:删除a,b列

data = data.drop(['a', 'b'], axis=1)

如果缺失数据重要或者缺失的不多进行填充。
填充:
1.用均值、众数、中位数等填充

#固定值填充
data_all['Age'] = data_all['Age'].fillna(20)
#均值填充
data_all['Age'] = data_all['Age'].fillna(data_all['Age'].mean())
#众数填充
data_all['Age'] = data_all['Age'].fillna(data_all['Age'].mode())
#用上下数据进行填充
data_all['Age'] = data_all['Age'].fillna(method='pad')
data_all['Age'] = data_all['Age'].fillna(method='bfill')
#用插值法填充
data_all['Age'] = data_all['Age'].interpolate()
#缺失的为0,不缺失的为1填充。
ad_info['spreadAppId'] = ad_info['spreadAppId'].fillna(0)
ad_info['Has_spreadAppId'] = ad_info['spreadAppId'].apply(lambda x: 0 if x ==0 else 1)

2.用没有缺失的数据当训练集,缺失的数据当测试集,用机器学习的方法去预测填充。

import pandas as pd
ad_info=pd.read_csv("G:/ctr/ad_info.zip",names=['adId','billId','primId','creativeType','intertype','spreadAppId'])
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import GridSearchCV
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
# 数据相关信息查看
# print("前10行数据:\n", ad_info.head(10))
# print("数据的统计分析:\n", ad_info.describe())
# print("数据的情况:\n", ad_info.info())
# print("数据的列:\n", ad_info.keys())
# print("数据的大小:\n", ad_info.shape)
#数据数值化
# is_not_number=['billId']
# for i in is_not_number:
#     print("属性为:", i)
#     print(ad_info[i].describe())
#     print(ad_info[i].unique())
#     print(ad_info[i].head())
le=LabelEncoder()
ad_info['billId']=le.fit_transform(ad_info['billId'])
# print(ad_info.info())
#缺失数据处理
ad_info['spreadAppId'] = ad_info['spreadAppId'].fillna(0)
ad_info['Has_spreadAppId'] = ad_info['spreadAppId'].apply(lambda x: 0 if x ==0 else 1)
#特征挖掘
# print(ad_info.keys())
all_feature=['adId', 'billId', 'primId', 'creativeType', 'intertype', 'spreadAppId']
# for i in all_feature:
#     print("属性为:", i)
#     print(ad_info[i].describe())
#     print(ad_info[i].unique())
#     print(len(ad_info[i].unique()))
#     print(ad_info[i].head())
cols=['billId', 'primId', 'creativeType', 'intertype']
train_X=ad_info[ad_info['spreadAppId']!=0][cols]
train_Y=ad_info[ad_info['spreadAppId']!=0]['spreadAppId']
test_X=ad_info[ad_info['spreadAppId']==0][cols]
#
# 数据分割
X_train, X_val, Y_train, Y_val = train_test_split(train_X, train_Y, test_size=0.3, random_state=40)
# 模型选择
# GradientBoosting
# model =KNeighborsClassifier( weights='uniform',algorithm='auto',
# leaf_size=30, p=2, metric='minkowski',metric_params=None, n_jobs=1)
# gb_param_grid = {'n_neighbors': [2,3,4,5,6]}
# gb_grid = GridSearchCV(model, gb_param_grid, cv=10, verbose=1)
# gb_grid.fit(train_X, train_Y)
# print('最佳参数组合' + str(gb_grid.best_params_))
# print('最佳学习器的性能评分' + str(gb_grid.best_score_))
model=XGBClassifier()
model.fit(X_train, Y_train)
accuracy1 = model.score(X_train, Y_train)
print("训练数据的准确率:", accuracy1)
accuracy2 = model.score(X_val, Y_val)
print("验证数据的准确率: ", accuracy2)
#预测
test_X['spreadAppId']=model.predict(test_X)
ad_info.loc[(ad_info['spreadAppId']==0), 'spreadAppId'] =test_X['spreadAppId']
print(ad_info.info())
print(ad_info.head(50))
print(ad_info.keys())

数据集使用的是华为算法精英赛赛的ad_info。。。

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
东南亚位于我国倡导推进的“一带一路”海陆交汇地带,作为当今全球发展最为迅速的地区之一,近年来区域内生产总值实现了显著且稳定的增长。根据东盟主要经济体公布的最新数据,印度尼西亚2023年国内生产总值(GDP)增长5.05%;越南2023年经济增长5.05%;马来西亚2023年经济增速为3.7%;泰国2023年经济增长1.9%;新加坡2023年经济增长1.1%;柬埔寨2023年经济增速预计为5.6%。 东盟国家在“一带一路”沿线国家的总体GDP经济规模、贸易总额与国外直接投资均为最大,因此有着举足轻重的地位和作用。当前,东盟与国已互相成为双方最大的交易伙伴。国-东盟贸易总额已从2013年的443亿元增长至 2023年合计超逾6.4万亿元,占国外贸总值的15.4%。在过去20余年,东盟国家不断在全球多变的格局里面临挑战并寻求机遇。2023东盟国家主要经济体受到国内消费、国外投资、货币政策、旅游业复苏、和大宗商品出口价企稳等方面的提振,经济显现出稳步增长态势和强韧性的潜能。 本调研报告旨在深度挖掘东南亚市场的增长潜力与发展机会,分析东南亚市场竞争态势、销售模式、客户偏好、整体市场营商环境,为国内企业出海开展业务提供客观参考意见。 本文核心内容: 市场空间:全球行业市场空间、东南亚市场发展空间。 竞争态势:全球份额,东南亚市场企业份额。 销售模式:东南亚市场销售模式、本地代理商 客户情况:东南亚本地客户及偏好分析 营商环境:东南亚营商环境分析 本文纳入的企业包括国外及印尼本土企业,以及相关上下游企业等,部分名单 QYResearch是全球知名的大型咨询公司,行业涵盖各高科技行业产业链细分市场,横跨如半导体产业链(半导体设备及零部件、半导体材料、集成电路、制造、封测、分立器件、传感器、光电器件)、光伏产业链(设备、硅料/硅片、电池片、组件、辅料支架、逆变器、电站终端)、新能源汽车产业链(动力电池及材料、电驱电控、汽车半导体/电子、整车、充电桩)、通信产业链(通信系统设备、终端设备、电子元器件、射频前端、光模块、4G/5G/6G、宽带、IoT、数字经济、AI)、先进材料产业链(金属材料、高分子材料、陶瓷材料、纳米材料等)、机械制造产业链(数控机床、工程机械、电气机械、3C自动化、工业机器人、激光、工控、无人机)、食品药品、医疗器械、农业等。邮箱:market@qyresearch.com

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值